Prediksi Jumlah Nilai Impor Sumatera Utara Menurut Negara Asal Menggunakan Algoritma Backpropagation
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
Prediksi Jumlah Nilai Impor Sumatera Utara Menurut
Negara Asal Menggunakan Algoritma Backpropagation
Forecasting of Import Value Quantity in Sumatera Utara According Orriginating
Country Using Backpropagation Algorithm
Indri Sriwahyuni Purba1, Anjar Wanto2
Program Studi Teknologi Informatika, STIKOM Tunas Bangsa, Pematangsiantar
e-mail: [email protected], [email protected]
1,2
Abstrak
Dalam memenuhi kebutuhan dalam negeri, pemerintah mesti melakukan kegiatan
ekonomi Internasional salah satunya impor. Impor adalah proses transportasi barang atau
komoditas dari suatu Negara ke Negara lain secara legal. Terkhusus di provinsi Sumatera Utara
selalu terjadi kenaikan jumlah impor tiap tahunnya terhitung pada tahun 2014-2016 di Badan
Pusat Statistik ( BPS ) Sumatera Utara. Pada penelitian ini, penulis akan memprediksi jumah
nilai impor untuk 5 tahun kedepan dengan menggunakan algoritma backpropagation.
Backpropagation merupakan salah satu metode Jaringan Syaraf Tiruan (Artificial Neural
Network), yang cukup handal dalam memecahkan masalah. Salah satunya adalah prediksi
jumlah nilai impor di Sumatera Utara. Penelitian ini menggunakan 5 model arsitektur : 4-12-1,
4-15-1,4-18-1, 4-19-1, 4-20-1, dari kelima model tersebut akurasi terbaik diperoleh dari model
arsitekktur 4-19-1 dengan nilai akurasi 100%, epoch 2807 iterasi, dan MSE yaitu
0.00099930653.
Kata kunci— Prediksi, Impor, Algoritma, Backpropagation
Abstract
In fulfilling domestic needs, the government must conduct international economic
activities such as imports. Import is the process of transporting goods or commodities from one
country to another legally. Particularly in the province of North Sumatra there is always an
increase in the number of imports annually starting in 2014-2016 at the Central Bureau of
Statistics (BPS) of North Sumatra. In this research, the writer will predict the value of import
value for 5 years ahead by using backpropagation algorithm. Backpropagation is one method of
Artificial Neural Network (Artificial Neural Network), which is quite reliable in solving
problems. One is the prediction of the amount of import value in North Sumatra. This study uses
5 architectural models: 4-12-1, 4-15-1,4-18-1, 4-19-1, 4-20-1, of the five models, are the best
accuracy obtained from the architectural model 4-19 -1 with 100% accuracy value, epoch 2807
iteration, and MSE is 0.00099930653.
Keywords— Forecasting, Import, Algorithm, Backpropagation
1. PENDAHULUAN
Impor adalah proses transportasi barang atau komoditas dari suatu negara ke negara lain
secara legal, umumnya dalam proses perdagangan, impor dapat diartikan sebagai pembelian
barang dan jasa dari luar negeri ke dalam negeri dengan perjanjian kerjasama antara 2 negara
atau lebih [1].
Kenapa suatu negara perlu melakukan proses impor. Dalam prakteknya, hal ini memang
harus dilakukan dikarenakan, suatu negara bisa saja mempunyai permasalahan dalam
302
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
penyediaan komsumsi. Impor barang konsumsi dipengaruhi pengeluaran konsumsi seseorang
hal ini disebabkan semakin tinggi pendapatan seseorang maka semakin besar rasio pengeluaran
yang akan dibelanjakan begitupun sebaliknya bila pemerintah tidak dapat memenuhi konsumsi
dalam negeri maka hal yang harus dilakukan adalah dengan cara mengimpor barang konsumsi
dari luar negeri guna memenuhi kebutuhan dalam negeri namun bila sebagian besar kebutuhan
konsumsi dalam negeri dipenuhi oleh luar negeri maka akan mengakibatkan defisit neraca
perdagangan dalam negeri [2].
Seperti halnya di Indonesia,terkhusus di provinsi Sumatera Utara, terhitung tahun 20092014 dari 10 negara asal selalu terjadi peningkatan jumlah nilai impor walau ada juga
penurunan namun hanya sedikit dan tidak berlangsung lama.
Tabel 1. Jumlah Nilai Impor Sumatera Utara
Berat Bersih ( ton)
Negara Asal
2009
2010
2011
2012
2013
2014
Singapura
1025961 1051030 1053645 1003712 977772
Tiongkok
677026
Malaysia
1123554 1342221 747533
940246
967387
761477
Australia
611098
595605
521232
704596
707982
731655
Amerika Serikat
245561
275937
26869
333875
2896
288121
Argentina
170828
265041
290621
340519
402466
508006
India
33934
396582
783593
594489
66163
596348
Thailand
162022
13453
345154
111509
167898
311673
Korea Selatan
83226
112968
97974
64262
118287
86304
Taiwan
81391
84182
93952
150986
132189
113581
808941
992383
1196164
1132788 1198182 1316688
Oleh karna itu, pada penelitian ini penulis akan memprediksi jumlah nilai impor
Sumatera Utara untuk 5 tahun kedepan dengan menggunakan algortima backpropagation.
Backpropagation merupakan salah satu metode Jaringan Syaraf Tiruan (Artificial Neural
Network), yang cukup handal dalam memecahkan masalah. Apalagi Backpropagation telah
banyak dan berhasil diterapkan dalam beragam aplikasi, seperti pengenalan pola, pemilihan
lokasi dan evaluasi kinerja [3]. Pada pembuatan algoritma backpropagation melewati 2 proses,
yakni proses pelatihan (training) dan proses pengujian(testing) [4].
Pada penelitian sebelumnnya, dilakukan penelitian untuk menentukan kelayakan
nasabah pinjaman KUR pada Bank Mandiri Mikro Serbelawan dengan keakurasian 93 %
menggunakan model arsitektur 5-2-1 dengan MSE yaitu 0,0009566280, penelitian ini
menunjukan bahwa jaringan syaraf tiruan mempunyai sifat yang adaftif yaitu jaringan berusaha
mencapai kestabilan kembali untuk mencapai output yang diharapkan disebabkan karna adanya
proses belajar dengan penyesuaian bobot-bobot koneksi [5]. Hal ini yang mendasari penulis
untuk menggunakan algoritma backpropagation dalam memprediksi jumlah nilai impor
Sumatera Utara. Selanjutnya, [6] melakukan penelitian menggunakan jaringan saraf tiruan
backpropagation untuk memprediksi Indeks Harga Konsumen kelompok kesehatan. Penelitian
ini menghasilkan tingkat akurasi sebesar 92% dengan model arsitektur terbaik 12-70-1. [7]
303
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
melakukan penelitian untuk memprediksi Kelulusan Mata Kuliah Menggunakan Hybrid Fuzzy
Inference System. Penelitian ini menghasilkan akurasi sebesar 94.33%, sensitifitas 96.55% dan
spesifisitas 84.21%. Kekurangan dari penelitian-penelitian ini adalah hasil akurasi yang belum
mencapai 100%.
2. METODE PENELITIAN
2.1. Pengumpulan Data
Penelitian ini menggunakan data impor Sumatera Utara terhitung tahun 209 sampai
dengan 2014. Sumber data berasal dari Badan Pusat Statistik (BPS) Sumatera Utara.
2.2. Algoritma Backpropagation
Algoritma backpropagation merupakan algoritma pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot
yang ada pada lapisan tersembunyinya [8]. Backpropagation adalah algoritma iteratif yang
mudah dan sederhana yang biasanya berkinerja baik, bahkan dengan data yang kompleks [9].
Algoritma ini sangat bermanfaat dalam berbagai aplikasi, seperti penengenalan, penyeleksian
lokasi, dan evaluasi akhir [10]. Pelatihan pada metode backpropagation meliputi 3 fase, fase
forward propagation, backpropagation, dan modifikasi bobot [11]. Ciri khas backpropagation
melibatkan tiga lapisan : lapisan input, dimana data diperkenalkan ke jaringan; hidden layer,
dimana data diproses; dan lapisan output, di mana hasil dari masukan yang diberikan oleh
lapisan input [12].
2.3. Prediksi
Prediksi adalah usaha menduga atau memperkirakan sesuatu yang akan terjadi di waktu
mendatang dengan memanfaatkan berbagai informasi yang relevan pada waktu-waktu
sebelumnya (historis) melalui suatu metode ilmiah [13]. Prediksi( Forecasting) sangat
membantu dalam perencanaan dan pengambilan keputusan dalam suatu aktivitas [14]. Analisis
sangat penting dalam pembelajaran, karna penelitian menjadi lebih tepat dan terarah.
2.4. Impor
Impor adalah bagian penting dari perdagangan inernasional. Suatu negara melakukan
impor karena mengalami defisiensi (kekurangan/kegagalan) dalam menyelenggarakan produksi
barang dan jasa bagi kebutuhan konsumsi penduduknya [15]. Penyebab terjadinya kegiatan
impor yaiu adanya perbedaan hasil produksi, perbedaan harga barang.
2.5. Kerangka Kerja Penelitian
Kerangka kerja penelitian yang digunakan dalam menyelesaikan masalah penelitian ini.
304
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
Gambar 1. Kerangka Kerja Penelitian
Pada tahapan kerangka kerja dilakukan pengumpulan data impor yang diperoleh dari
Badan Pusat Statistik (BPS) Sumatera Utara tahun 2009-2014. Setelah data diperoleh dilakukan
identifikasi masalah. Sementara dalam penelitian dibutuhkan referensi dasar mengenai jaringan
syaraf tiruan backpropagation yang banyak diambil dari jurnal-jurnal sebelumnya dan buku
jaringan syaraf tiruan backpropagation. Selanjutnya dilakukan tahap selanjutnya sampai dengan
pengujian hasil pengolahan data dengan menguji coba melalui software Matlab R2011b (7.13).
Dan sampai pada tahap evaluasi akhir dilakukan bertujuan untuk mengetahui apakah hasil
sesuai dengan yang diharapkan.
2.6. Data Yang Digunakan
Data yang digunakan adalah Jumlah Nilai Impor Sumatera Utara 2009-2014. Data
training menggunakan data tahun 2009-2012 dan 2013 sebagai target. Sedangkan data testing
menggunakan data tahun 2010-2013 dan 2014 sebagai target.
2.7. Normalisasi Data
Sebelum diproses, data dinormalisasi terlebih dahulu dengan menggunakan fungsi
Sigmoid (tidak pernah mencapai 0 ataupun 1), maka transformasi data dilakukan pada interval
yang lebih kecil yaitu [0.1; 0.9], ditunjukkan dengan persamaan (1)[16]. Normalisasi data
bertujuan untuk menyesuaikan nilai range data dengan logsigmoid threshold function dalam
sistem backpropagation[16]. Adapun rumus normalisasi yang digunakan:
x'
0.8( x a )
0.1
ba
(1)
Keterangan :
(x'
= Normalisasi data, x = Data yang akan dinormalisasi, a = Data terendah, b = Data
tertinggi)
305
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
Tabel 2. Data Training Awal Tahun 2009-2012/Target Tahun 2013
Negara Asal
2009
2010
2011
2012
Target
Singapura
1025961
1051030
1053645
1003712
977772
Tiongkok
677026
808941
992383
1132788
1198182
Malaysia
1123554
1342221
747533
940246
967387
Australia
611098
595605
521232
704596
707982
Amerika Serikat
245561
275937
26869
333875
2896
Argentina
170828
265041
290621
340519
402466
India
33934
396582
783593
594489
66163
Thailand
162022
13453
345154
111509
167898
Korea Selatan
83226
112968
97974
64262
118287
Taiwan
81391
84182
93952
150986
132189
Tabel 3. Normalisasi Data Training Tahun 2009-2012/Target Tahun 2013
Negara Asal
2009
2010
2011
2012
Target
Singapura
0.71109
0.72607
0.72763
0.69780
0.68231
Tiongkok
0.50267
0.58146
0.69104
0.77490
0.81396
Malaysia
0.76939
0.90000
0.54478
0.65989
0.67611
Australia
0.46329
0.45403
0.40961
0.51914
0.52116
Amerika Serikat
0.24495
0.26309
0.11432
0.29770
0.10000
Argentina
0.20031
0.25658
0.27186
0.30167
0.33867
India
0.11854
0.33515
0.56632
0.45337
0.13779
Thailand
0.19505
0.10631
0.30444
0.16488
0.19856
Korea Selatan
0.14798
0.16575
0.15679
0.13665
0.16892
Taiwan
0.14689
0.14855
0.15439
0.18846
0.17723
Tabel 4. Data Awal Testing Tahun 2010-2013/Target 2014
Negara Asal
2010
2011
2012
2013
Target
Singapura
1051030
1053645
1003712
977772
1196164
306
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
Negara Asal
2010
2011
2012
2013
Target
Tiongkok
808941
992383
1132788
1198182
1316688
Malaysia
1342221
747533
940246
967387
761477
Australia
595605
521232
704596
707982
731655
Amerika Serikat
275937
26869
333875
2896
288121
Argentina
265041
290621
340519
402466
508006
India
396582
783593
594489
66163
596348
Thailand
13453
345154
111509
167898
311673
Korea Selatan
112968
97974
64262
118287
86304
Taiwan
84182
93952
150986
132189
113581
Tabel 5. Normalisasi Data Testing Tahun 2010-2013/Target Tahun 2014
Negara Asal
2009
2010
2011
2012
Target
Singapura
0.71109
0.72607
0.72763
0.69780
0.68231
Tiongkok
0.50267
0.58146
0.69104
0.77490
0.81396
Malaysia
0.76939
0.90000
0.54478
0.65989
0.67611
Australia
0.46329
0.45403
0.40961
0.51914
0.52116
Amerika Serikat
0.24495
0.26309
0.11432
0.29770
0.10000
Argentina
0.20031
0.25658
0.27186
0.30167
0.33867
India
0.11854
0.33515
0.56632
0.45337
0.13779
Thailand
0.19505
0.10631
0.30444
0.16488
0.19856
Korea Selatan
0.14798
0.16575
0.15679
0.13665
0.16892
Taiwan
0.14689
0.14855
0.15439
0.18846
0.17723
3. HASIL DAN PEMBAHASAN
3.1. Analisis
Untuk mendapatkan hasil sesuai dengan yang diharapkan, harus melewati proses training dan
testing yang dimana parameter-parameter sudah ditentukan [17] .
Parameter yang diperhatikan dalam inisialisasi jaringan pada jaringan adalah:
a. Maksimum error
b. Toleransi error
c. Menentukan fungsi aktivasi
d. Menentukan iterasi (epoch)
307
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
e. Menentukan hidden layer dan output layer
f. Menentukan fungsi pelatihan jaringan
g. Menentukan learning rate.
Semua tahapan pelatihan (training) ini akan dilakukan berulang-ulang untuk mendapatkan
bobot terbaik dengan error terkecil. Bobot terbaik tersebut akan digunakan untuk melakukan
pengujian (testing).
3.2. Hasil
Pada penelitian ini, terdapat 5 model arsitektur yang digunakan,diantaranya : Arsitektur
4-12-1 (4 merupakan data input layer, 12 merupakan data hidden layer dan 1 merupakan data
output layer), 4-15-1 (4 merupakan data input layer, 15 merupakan data hidden layer dan 1
merupakan data output layer), 4-18-1 (4 merupakan data input layer, 18 merupakan data hidden
layer dan 1 merupakan data output layer), 4-19-1 (4 merupakan data input layer, 19 merupakan
data hidden layer dan 1 merupakan data output layer), 4-20-1 (4 merupakan data input layer, 20
merupakan data hidden layer dan 1 merupakan data output layer). Dan antara kelima arsitektur
ini diperoleh model arsitektur terbaik dengan keakurasian 100 % yaitu 4-19-1.
Gambar 3. Hasil Data Pelatihan Dengan Arsitektur 4-19-1
Dari gambar diatas dapat dijelaskan bahwa model arsitektur 4-19-1 merupakan
arsitektur terbaik dengan epoch yang terjadi yaitu 2807 iterasi dengan waktu yang cukup cepat
yaitu17 detik.
308
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
Tabel 6. Model Arsitektur Terbaik 4-19-1
Data Training
Data Testing
No
Target Output Error
SSE
Target Output Error
SSE
Hasil
1
0.68231 0.68110 0.00121 0.00000146 0.81276 0.77240 0.04036 0.00162876 1
2
0.81396 0.81010 0.00386 0.00001490 0.88475 0.86970 0.01505 0.00022646 1
3
0.67611 0.67910 -0.00299 0.00000894 0.55311 0.57110 -0.01799 0.00032355 1
4
0.52116 0.52550 -0.00434 0.00001884 0.53530 0.70420 -0.16890 0.02852746 1
5
0.10000 0.08730 0.01270 0.00016129 0.27037 0.43510 -0.16473 0.02713617 1
6
0.33867 0.32640 0.01227 0.00015055 0.40171 0.49810 -0.09639 0.00929100 1
7
0.13779 0.14590 -0.00811 0.00006577 0.45448 1.21250 -0.75802 0.57459695 1
8
0.19856 0.19540 0.00316 0.00000999 0.28444 0.30780 -0.02336 0.00054581 1
9
0.16892 0.24710 -0.07818 0.00611211 0.14982 0.14630 0.00352 0.00001240 1
10 0.17723 0.11850 0.05873 0.00344921 0.16611 0.16810 -0.00199 0.00000394 1
Jumlah 0.00999307
Jumlah 0.64229250
MSE
MSE
100%
Keterangan :
1 = True/Benar
0.00099931
0.06422925
0 = False/Salah
Tabel 7. Hasil Akurasi Algoritma Backpropagation
Training
Testing
Epoch Waktu MSE
MSE
No Arsitektur
Akurasi
1
4-12-1
8284
00:49
0.00099872 0.04469
2
4-15-1
4357
00:28
0.0009998
0.026488 60%
3
4-18-1
3749
00:22
0.0009996
0.046472 60%
4
4-19-1
2807
00:17
0.0009993
0.064229 100%
5
4-20-1
1778
00:11
0.0010005
0.532078 40%
309
50%
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
Tabel 8. Hasil Prediksi 6 Tahun Kedepan Dengan Backpropagation (Tahun2015- 2020)
Negara Asal
2015
2016
2017
2018
2019
2020
Singapura
1114136
1115650
1135815
1197870
1240428
1309277
Tiongkok
1358829
1360117
1359065
1355209
1357331
1356463
Malaysia
795005
830599
901748
1020477
1159806
1295822
Australia
722720
735260
799889
913399
1025718
1196800
Amerika Serikat
364525
363566
420694
656951
891312
1154637
Argentina
607525
698541
763081
921883
1084382
1244916
India
632594
683725
781560
908129
1061680
1263889
Thailand
404358
340536
557258
792566
921970
1208643
Korea Selatan
70463
158233
330703
635355
861291
1144220
Taiwan
199038
339248
370365
506553
863731
1193576
4. KESIMPULAN
Berdasarkan uraian yang sudah dipaparkan sebelumnya, maka pada penelitian ini dapat
ditarik beberapa kesimpulan sebagai berikut :
1. Dari kelima model arsitektur yang digunakan untuk pelatihan, diperoleh 1 arsitektur terbaik
dengan tingkat keakurasian 100 % ,epoch 2807 iterasi, waktu 00:17, dan MSE 0.00099982
yaitu arsitektur 4-19-1.
2. Pada pelatihan dari kelima arsitektur yang sudah dipaparkan diatas, dihasilkan berbagai
macam hasil akurasi algoritma backpropagation.
3. Pemilihan model arsitektur sangat berpengaruh untuk mendapatkan tingkat keakurasian yang
optimal.
5. SARAN
Beberapa saran yang diajukan penulis untuk penelitian selanjutnya :
1. Penelitian ini hanya menggunakan data umum,untuk mendapatkan data hasil yang lebih
spesifik disarankan untuk penelitian selanjutnya untuk memaparkan variabel yang lebih
jelas.
2. Membuat skala pembanding algortima backpropagation dengan algoritma prediksi lainnya.
DAFTAR PUSTAKA
[1]
[2]
[3]
J. Benny, “Ekspor Dan Impor Pengaruhnya Terhadap Posisi Cadangan Devisa Di
Indonesia,” Jurnal Emba. ISSN : 2303-1174, vol. 1, no. 4, pp. 1–10, 2013.
A. Imam, “Faktor-Faktor Yang Mempengaruhi Impor Barang Konsumsi Di Indonesia,”
Jurnal Ekonomi Pembangunan, pp. 1–12, 2013.
Y. Andrian and M. R. Wayahdi, “Analisis Jaringan Syaraf Tiruan Metode
310
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
ISSN: 1978-1520
Backpropagation Dalam Memprediksi Cuaca Di Kota Medan,” Seminar Nasional ilmu
Komputer(SNIKOM), pp. 1–6, 2014.
K. Apriyanti and T. Wahyu Widodo, “Implementasi Optical Character Implementasi
Optical Character Recognition Berbasis Backpropagation untuk Text to Speech Perangkat
Android,” IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), vol. 6,
no. 1, p. 13, 2016.
A. P. Windarto, “Implementasi Jst Dalam Menentukan Kelayakan Nasabah Pinjaman Kur
Pada Bank Mandiri Mikro Serbelawan Dengan Metode Backpropogation,” vol. 1, no. 1,
pp. 1–12, 2017.
A. Wanto and A. P. Windarto, “Analisis Prediksi Indeks Harga Konsumen Berdasarkan
Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation,” Jurnal &
Penelitian Teknik Informatika, vol. 2, no. 2, 2017.
A. Izzah and R. Widyastuti, “Prediksi Kelulusan Mata Kuliah Menggunakan Hybrid
Fuzzy Inference System,” Jurnal Ilmiah Teknologi Sistem Informasi (Register), vol. 2,
no. 2, pp. 60–67, 2016.
M. F. Andrijasa and Mistianingsih, “Penerapan Jaringan Syaraf Tiruan Untuk
Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan
Algoritma Pembelajaran Backpropagation,” vol. 5, no. 1, pp. 1–5, 2010.
A. Wanto, “Penerapan Jaringan Saraf Tiruan Dalam Memprediksi Jumlah Kemiskinan
Pada Kabupaten/Kota Di Provinsi Riau,” Kumpulan jurnaL Ilmu Komputer (KLIK), vol.
5, no. 1, pp. 61–74, 2018.
A. Wanto, A. P. Windarto, D. Hartama, and I. Parlina, “Use of Binary Sigmoid Function
And Linear Identity In Artificial Neural Networks For Forecasting Population Density,”
International Journal Of Information System & Technology, vol. 1, no. 1, pp. 43–54,
2017.
S. Putra Siregar and A. Wanto, “Analysis Accuracy of Artificial Neural Network Using
Backpropagation Algorithm In Predicting Process (Forecasting),” International Journal
Of Information System & Technology, vol. 1, no. 1, pp. 34–42, 2017.
A. Wanto, “Optimasi Prediksi Dengan Algoritma Backpropagation Dan Conjugate
Gradient Beale-Powell Restarts,” Jurnal Teknologi dan Sistem Informasi, vol. 3, no. 3,
pp. 370–380, 2017.
A. Wanto et al., “Analysis of Standard Gradient Descent with GD Momentum And
Adaptive LR for SPR Prediction,” 3rd International Conference of Computer,
Environment, Agriculture, Social Science, Health Science, Engineering and Technology,
pp. 1–9, 2018.
A. Wanto, M. Zarlis, Sawaluddin, D. Hartama, J. Tata Hardinata, and H. F. Silaban,
“Analysis of Artificial Neural Network Backpropagation Using Conjugate Gradient
Fletcher Reeves In The Predicting Process,” Journal of Physics: Conference Series, vol.
930, no. 1, pp. 1–7, 2017.
E. Atmadji, “Analisis Impor Indonesia,” Jurnal Ekonomi Pembangunan, pp. 33–46.
T. W. Khusniyah and Sutikno, “Prediksi Nilai Tukar Petani Menggunakan Jaringan
Syaraf Tiruan Backpropagation,” Scientific Journal of Informatics, vol. 3, no. 1, pp. 11–
18, 2016.
R. A. Pratama, “Peramalan Beban Listrik Jangka Panjang Provinsi D.I. Yogyakarta
Menggunakan Neural Network Backpropagation,” Jurnal Teknik Elektro, vol. 5, no. 3,
pp. 1–11, 2016.
311
IJCCS
ISSN: 1978-1520
Prediksi Jumlah Nilai Impor Sumatera Utara Menurut
Negara Asal Menggunakan Algoritma Backpropagation
Forecasting of Import Value Quantity in Sumatera Utara According Orriginating
Country Using Backpropagation Algorithm
Indri Sriwahyuni Purba1, Anjar Wanto2
Program Studi Teknologi Informatika, STIKOM Tunas Bangsa, Pematangsiantar
e-mail: [email protected], [email protected]
1,2
Abstrak
Dalam memenuhi kebutuhan dalam negeri, pemerintah mesti melakukan kegiatan
ekonomi Internasional salah satunya impor. Impor adalah proses transportasi barang atau
komoditas dari suatu Negara ke Negara lain secara legal. Terkhusus di provinsi Sumatera Utara
selalu terjadi kenaikan jumlah impor tiap tahunnya terhitung pada tahun 2014-2016 di Badan
Pusat Statistik ( BPS ) Sumatera Utara. Pada penelitian ini, penulis akan memprediksi jumah
nilai impor untuk 5 tahun kedepan dengan menggunakan algoritma backpropagation.
Backpropagation merupakan salah satu metode Jaringan Syaraf Tiruan (Artificial Neural
Network), yang cukup handal dalam memecahkan masalah. Salah satunya adalah prediksi
jumlah nilai impor di Sumatera Utara. Penelitian ini menggunakan 5 model arsitektur : 4-12-1,
4-15-1,4-18-1, 4-19-1, 4-20-1, dari kelima model tersebut akurasi terbaik diperoleh dari model
arsitekktur 4-19-1 dengan nilai akurasi 100%, epoch 2807 iterasi, dan MSE yaitu
0.00099930653.
Kata kunci— Prediksi, Impor, Algoritma, Backpropagation
Abstract
In fulfilling domestic needs, the government must conduct international economic
activities such as imports. Import is the process of transporting goods or commodities from one
country to another legally. Particularly in the province of North Sumatra there is always an
increase in the number of imports annually starting in 2014-2016 at the Central Bureau of
Statistics (BPS) of North Sumatra. In this research, the writer will predict the value of import
value for 5 years ahead by using backpropagation algorithm. Backpropagation is one method of
Artificial Neural Network (Artificial Neural Network), which is quite reliable in solving
problems. One is the prediction of the amount of import value in North Sumatra. This study uses
5 architectural models: 4-12-1, 4-15-1,4-18-1, 4-19-1, 4-20-1, of the five models, are the best
accuracy obtained from the architectural model 4-19 -1 with 100% accuracy value, epoch 2807
iteration, and MSE is 0.00099930653.
Keywords— Forecasting, Import, Algorithm, Backpropagation
1. PENDAHULUAN
Impor adalah proses transportasi barang atau komoditas dari suatu negara ke negara lain
secara legal, umumnya dalam proses perdagangan, impor dapat diartikan sebagai pembelian
barang dan jasa dari luar negeri ke dalam negeri dengan perjanjian kerjasama antara 2 negara
atau lebih [1].
Kenapa suatu negara perlu melakukan proses impor. Dalam prakteknya, hal ini memang
harus dilakukan dikarenakan, suatu negara bisa saja mempunyai permasalahan dalam
302
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
penyediaan komsumsi. Impor barang konsumsi dipengaruhi pengeluaran konsumsi seseorang
hal ini disebabkan semakin tinggi pendapatan seseorang maka semakin besar rasio pengeluaran
yang akan dibelanjakan begitupun sebaliknya bila pemerintah tidak dapat memenuhi konsumsi
dalam negeri maka hal yang harus dilakukan adalah dengan cara mengimpor barang konsumsi
dari luar negeri guna memenuhi kebutuhan dalam negeri namun bila sebagian besar kebutuhan
konsumsi dalam negeri dipenuhi oleh luar negeri maka akan mengakibatkan defisit neraca
perdagangan dalam negeri [2].
Seperti halnya di Indonesia,terkhusus di provinsi Sumatera Utara, terhitung tahun 20092014 dari 10 negara asal selalu terjadi peningkatan jumlah nilai impor walau ada juga
penurunan namun hanya sedikit dan tidak berlangsung lama.
Tabel 1. Jumlah Nilai Impor Sumatera Utara
Berat Bersih ( ton)
Negara Asal
2009
2010
2011
2012
2013
2014
Singapura
1025961 1051030 1053645 1003712 977772
Tiongkok
677026
Malaysia
1123554 1342221 747533
940246
967387
761477
Australia
611098
595605
521232
704596
707982
731655
Amerika Serikat
245561
275937
26869
333875
2896
288121
Argentina
170828
265041
290621
340519
402466
508006
India
33934
396582
783593
594489
66163
596348
Thailand
162022
13453
345154
111509
167898
311673
Korea Selatan
83226
112968
97974
64262
118287
86304
Taiwan
81391
84182
93952
150986
132189
113581
808941
992383
1196164
1132788 1198182 1316688
Oleh karna itu, pada penelitian ini penulis akan memprediksi jumlah nilai impor
Sumatera Utara untuk 5 tahun kedepan dengan menggunakan algortima backpropagation.
Backpropagation merupakan salah satu metode Jaringan Syaraf Tiruan (Artificial Neural
Network), yang cukup handal dalam memecahkan masalah. Apalagi Backpropagation telah
banyak dan berhasil diterapkan dalam beragam aplikasi, seperti pengenalan pola, pemilihan
lokasi dan evaluasi kinerja [3]. Pada pembuatan algoritma backpropagation melewati 2 proses,
yakni proses pelatihan (training) dan proses pengujian(testing) [4].
Pada penelitian sebelumnnya, dilakukan penelitian untuk menentukan kelayakan
nasabah pinjaman KUR pada Bank Mandiri Mikro Serbelawan dengan keakurasian 93 %
menggunakan model arsitektur 5-2-1 dengan MSE yaitu 0,0009566280, penelitian ini
menunjukan bahwa jaringan syaraf tiruan mempunyai sifat yang adaftif yaitu jaringan berusaha
mencapai kestabilan kembali untuk mencapai output yang diharapkan disebabkan karna adanya
proses belajar dengan penyesuaian bobot-bobot koneksi [5]. Hal ini yang mendasari penulis
untuk menggunakan algoritma backpropagation dalam memprediksi jumlah nilai impor
Sumatera Utara. Selanjutnya, [6] melakukan penelitian menggunakan jaringan saraf tiruan
backpropagation untuk memprediksi Indeks Harga Konsumen kelompok kesehatan. Penelitian
ini menghasilkan tingkat akurasi sebesar 92% dengan model arsitektur terbaik 12-70-1. [7]
303
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
melakukan penelitian untuk memprediksi Kelulusan Mata Kuliah Menggunakan Hybrid Fuzzy
Inference System. Penelitian ini menghasilkan akurasi sebesar 94.33%, sensitifitas 96.55% dan
spesifisitas 84.21%. Kekurangan dari penelitian-penelitian ini adalah hasil akurasi yang belum
mencapai 100%.
2. METODE PENELITIAN
2.1. Pengumpulan Data
Penelitian ini menggunakan data impor Sumatera Utara terhitung tahun 209 sampai
dengan 2014. Sumber data berasal dari Badan Pusat Statistik (BPS) Sumatera Utara.
2.2. Algoritma Backpropagation
Algoritma backpropagation merupakan algoritma pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot
yang ada pada lapisan tersembunyinya [8]. Backpropagation adalah algoritma iteratif yang
mudah dan sederhana yang biasanya berkinerja baik, bahkan dengan data yang kompleks [9].
Algoritma ini sangat bermanfaat dalam berbagai aplikasi, seperti penengenalan, penyeleksian
lokasi, dan evaluasi akhir [10]. Pelatihan pada metode backpropagation meliputi 3 fase, fase
forward propagation, backpropagation, dan modifikasi bobot [11]. Ciri khas backpropagation
melibatkan tiga lapisan : lapisan input, dimana data diperkenalkan ke jaringan; hidden layer,
dimana data diproses; dan lapisan output, di mana hasil dari masukan yang diberikan oleh
lapisan input [12].
2.3. Prediksi
Prediksi adalah usaha menduga atau memperkirakan sesuatu yang akan terjadi di waktu
mendatang dengan memanfaatkan berbagai informasi yang relevan pada waktu-waktu
sebelumnya (historis) melalui suatu metode ilmiah [13]. Prediksi( Forecasting) sangat
membantu dalam perencanaan dan pengambilan keputusan dalam suatu aktivitas [14]. Analisis
sangat penting dalam pembelajaran, karna penelitian menjadi lebih tepat dan terarah.
2.4. Impor
Impor adalah bagian penting dari perdagangan inernasional. Suatu negara melakukan
impor karena mengalami defisiensi (kekurangan/kegagalan) dalam menyelenggarakan produksi
barang dan jasa bagi kebutuhan konsumsi penduduknya [15]. Penyebab terjadinya kegiatan
impor yaiu adanya perbedaan hasil produksi, perbedaan harga barang.
2.5. Kerangka Kerja Penelitian
Kerangka kerja penelitian yang digunakan dalam menyelesaikan masalah penelitian ini.
304
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
Gambar 1. Kerangka Kerja Penelitian
Pada tahapan kerangka kerja dilakukan pengumpulan data impor yang diperoleh dari
Badan Pusat Statistik (BPS) Sumatera Utara tahun 2009-2014. Setelah data diperoleh dilakukan
identifikasi masalah. Sementara dalam penelitian dibutuhkan referensi dasar mengenai jaringan
syaraf tiruan backpropagation yang banyak diambil dari jurnal-jurnal sebelumnya dan buku
jaringan syaraf tiruan backpropagation. Selanjutnya dilakukan tahap selanjutnya sampai dengan
pengujian hasil pengolahan data dengan menguji coba melalui software Matlab R2011b (7.13).
Dan sampai pada tahap evaluasi akhir dilakukan bertujuan untuk mengetahui apakah hasil
sesuai dengan yang diharapkan.
2.6. Data Yang Digunakan
Data yang digunakan adalah Jumlah Nilai Impor Sumatera Utara 2009-2014. Data
training menggunakan data tahun 2009-2012 dan 2013 sebagai target. Sedangkan data testing
menggunakan data tahun 2010-2013 dan 2014 sebagai target.
2.7. Normalisasi Data
Sebelum diproses, data dinormalisasi terlebih dahulu dengan menggunakan fungsi
Sigmoid (tidak pernah mencapai 0 ataupun 1), maka transformasi data dilakukan pada interval
yang lebih kecil yaitu [0.1; 0.9], ditunjukkan dengan persamaan (1)[16]. Normalisasi data
bertujuan untuk menyesuaikan nilai range data dengan logsigmoid threshold function dalam
sistem backpropagation[16]. Adapun rumus normalisasi yang digunakan:
x'
0.8( x a )
0.1
ba
(1)
Keterangan :
(x'
= Normalisasi data, x = Data yang akan dinormalisasi, a = Data terendah, b = Data
tertinggi)
305
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
Tabel 2. Data Training Awal Tahun 2009-2012/Target Tahun 2013
Negara Asal
2009
2010
2011
2012
Target
Singapura
1025961
1051030
1053645
1003712
977772
Tiongkok
677026
808941
992383
1132788
1198182
Malaysia
1123554
1342221
747533
940246
967387
Australia
611098
595605
521232
704596
707982
Amerika Serikat
245561
275937
26869
333875
2896
Argentina
170828
265041
290621
340519
402466
India
33934
396582
783593
594489
66163
Thailand
162022
13453
345154
111509
167898
Korea Selatan
83226
112968
97974
64262
118287
Taiwan
81391
84182
93952
150986
132189
Tabel 3. Normalisasi Data Training Tahun 2009-2012/Target Tahun 2013
Negara Asal
2009
2010
2011
2012
Target
Singapura
0.71109
0.72607
0.72763
0.69780
0.68231
Tiongkok
0.50267
0.58146
0.69104
0.77490
0.81396
Malaysia
0.76939
0.90000
0.54478
0.65989
0.67611
Australia
0.46329
0.45403
0.40961
0.51914
0.52116
Amerika Serikat
0.24495
0.26309
0.11432
0.29770
0.10000
Argentina
0.20031
0.25658
0.27186
0.30167
0.33867
India
0.11854
0.33515
0.56632
0.45337
0.13779
Thailand
0.19505
0.10631
0.30444
0.16488
0.19856
Korea Selatan
0.14798
0.16575
0.15679
0.13665
0.16892
Taiwan
0.14689
0.14855
0.15439
0.18846
0.17723
Tabel 4. Data Awal Testing Tahun 2010-2013/Target 2014
Negara Asal
2010
2011
2012
2013
Target
Singapura
1051030
1053645
1003712
977772
1196164
306
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
Negara Asal
2010
2011
2012
2013
Target
Tiongkok
808941
992383
1132788
1198182
1316688
Malaysia
1342221
747533
940246
967387
761477
Australia
595605
521232
704596
707982
731655
Amerika Serikat
275937
26869
333875
2896
288121
Argentina
265041
290621
340519
402466
508006
India
396582
783593
594489
66163
596348
Thailand
13453
345154
111509
167898
311673
Korea Selatan
112968
97974
64262
118287
86304
Taiwan
84182
93952
150986
132189
113581
Tabel 5. Normalisasi Data Testing Tahun 2010-2013/Target Tahun 2014
Negara Asal
2009
2010
2011
2012
Target
Singapura
0.71109
0.72607
0.72763
0.69780
0.68231
Tiongkok
0.50267
0.58146
0.69104
0.77490
0.81396
Malaysia
0.76939
0.90000
0.54478
0.65989
0.67611
Australia
0.46329
0.45403
0.40961
0.51914
0.52116
Amerika Serikat
0.24495
0.26309
0.11432
0.29770
0.10000
Argentina
0.20031
0.25658
0.27186
0.30167
0.33867
India
0.11854
0.33515
0.56632
0.45337
0.13779
Thailand
0.19505
0.10631
0.30444
0.16488
0.19856
Korea Selatan
0.14798
0.16575
0.15679
0.13665
0.16892
Taiwan
0.14689
0.14855
0.15439
0.18846
0.17723
3. HASIL DAN PEMBAHASAN
3.1. Analisis
Untuk mendapatkan hasil sesuai dengan yang diharapkan, harus melewati proses training dan
testing yang dimana parameter-parameter sudah ditentukan [17] .
Parameter yang diperhatikan dalam inisialisasi jaringan pada jaringan adalah:
a. Maksimum error
b. Toleransi error
c. Menentukan fungsi aktivasi
d. Menentukan iterasi (epoch)
307
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
e. Menentukan hidden layer dan output layer
f. Menentukan fungsi pelatihan jaringan
g. Menentukan learning rate.
Semua tahapan pelatihan (training) ini akan dilakukan berulang-ulang untuk mendapatkan
bobot terbaik dengan error terkecil. Bobot terbaik tersebut akan digunakan untuk melakukan
pengujian (testing).
3.2. Hasil
Pada penelitian ini, terdapat 5 model arsitektur yang digunakan,diantaranya : Arsitektur
4-12-1 (4 merupakan data input layer, 12 merupakan data hidden layer dan 1 merupakan data
output layer), 4-15-1 (4 merupakan data input layer, 15 merupakan data hidden layer dan 1
merupakan data output layer), 4-18-1 (4 merupakan data input layer, 18 merupakan data hidden
layer dan 1 merupakan data output layer), 4-19-1 (4 merupakan data input layer, 19 merupakan
data hidden layer dan 1 merupakan data output layer), 4-20-1 (4 merupakan data input layer, 20
merupakan data hidden layer dan 1 merupakan data output layer). Dan antara kelima arsitektur
ini diperoleh model arsitektur terbaik dengan keakurasian 100 % yaitu 4-19-1.
Gambar 3. Hasil Data Pelatihan Dengan Arsitektur 4-19-1
Dari gambar diatas dapat dijelaskan bahwa model arsitektur 4-19-1 merupakan
arsitektur terbaik dengan epoch yang terjadi yaitu 2807 iterasi dengan waktu yang cukup cepat
yaitu17 detik.
308
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
Tabel 6. Model Arsitektur Terbaik 4-19-1
Data Training
Data Testing
No
Target Output Error
SSE
Target Output Error
SSE
Hasil
1
0.68231 0.68110 0.00121 0.00000146 0.81276 0.77240 0.04036 0.00162876 1
2
0.81396 0.81010 0.00386 0.00001490 0.88475 0.86970 0.01505 0.00022646 1
3
0.67611 0.67910 -0.00299 0.00000894 0.55311 0.57110 -0.01799 0.00032355 1
4
0.52116 0.52550 -0.00434 0.00001884 0.53530 0.70420 -0.16890 0.02852746 1
5
0.10000 0.08730 0.01270 0.00016129 0.27037 0.43510 -0.16473 0.02713617 1
6
0.33867 0.32640 0.01227 0.00015055 0.40171 0.49810 -0.09639 0.00929100 1
7
0.13779 0.14590 -0.00811 0.00006577 0.45448 1.21250 -0.75802 0.57459695 1
8
0.19856 0.19540 0.00316 0.00000999 0.28444 0.30780 -0.02336 0.00054581 1
9
0.16892 0.24710 -0.07818 0.00611211 0.14982 0.14630 0.00352 0.00001240 1
10 0.17723 0.11850 0.05873 0.00344921 0.16611 0.16810 -0.00199 0.00000394 1
Jumlah 0.00999307
Jumlah 0.64229250
MSE
MSE
100%
Keterangan :
1 = True/Benar
0.00099931
0.06422925
0 = False/Salah
Tabel 7. Hasil Akurasi Algoritma Backpropagation
Training
Testing
Epoch Waktu MSE
MSE
No Arsitektur
Akurasi
1
4-12-1
8284
00:49
0.00099872 0.04469
2
4-15-1
4357
00:28
0.0009998
0.026488 60%
3
4-18-1
3749
00:22
0.0009996
0.046472 60%
4
4-19-1
2807
00:17
0.0009993
0.064229 100%
5
4-20-1
1778
00:11
0.0010005
0.532078 40%
309
50%
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
ISSN: 1978-1520
Tabel 8. Hasil Prediksi 6 Tahun Kedepan Dengan Backpropagation (Tahun2015- 2020)
Negara Asal
2015
2016
2017
2018
2019
2020
Singapura
1114136
1115650
1135815
1197870
1240428
1309277
Tiongkok
1358829
1360117
1359065
1355209
1357331
1356463
Malaysia
795005
830599
901748
1020477
1159806
1295822
Australia
722720
735260
799889
913399
1025718
1196800
Amerika Serikat
364525
363566
420694
656951
891312
1154637
Argentina
607525
698541
763081
921883
1084382
1244916
India
632594
683725
781560
908129
1061680
1263889
Thailand
404358
340536
557258
792566
921970
1208643
Korea Selatan
70463
158233
330703
635355
861291
1144220
Taiwan
199038
339248
370365
506553
863731
1193576
4. KESIMPULAN
Berdasarkan uraian yang sudah dipaparkan sebelumnya, maka pada penelitian ini dapat
ditarik beberapa kesimpulan sebagai berikut :
1. Dari kelima model arsitektur yang digunakan untuk pelatihan, diperoleh 1 arsitektur terbaik
dengan tingkat keakurasian 100 % ,epoch 2807 iterasi, waktu 00:17, dan MSE 0.00099982
yaitu arsitektur 4-19-1.
2. Pada pelatihan dari kelima arsitektur yang sudah dipaparkan diatas, dihasilkan berbagai
macam hasil akurasi algoritma backpropagation.
3. Pemilihan model arsitektur sangat berpengaruh untuk mendapatkan tingkat keakurasian yang
optimal.
5. SARAN
Beberapa saran yang diajukan penulis untuk penelitian selanjutnya :
1. Penelitian ini hanya menggunakan data umum,untuk mendapatkan data hasil yang lebih
spesifik disarankan untuk penelitian selanjutnya untuk memaparkan variabel yang lebih
jelas.
2. Membuat skala pembanding algortima backpropagation dengan algoritma prediksi lainnya.
DAFTAR PUSTAKA
[1]
[2]
[3]
J. Benny, “Ekspor Dan Impor Pengaruhnya Terhadap Posisi Cadangan Devisa Di
Indonesia,” Jurnal Emba. ISSN : 2303-1174, vol. 1, no. 4, pp. 1–10, 2013.
A. Imam, “Faktor-Faktor Yang Mempengaruhi Impor Barang Konsumsi Di Indonesia,”
Jurnal Ekonomi Pembangunan, pp. 1–12, 2013.
Y. Andrian and M. R. Wayahdi, “Analisis Jaringan Syaraf Tiruan Metode
310
Techno.COM, Vol. 17, No. 3, Agustus 2018 : 302-311
IJCCS
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
ISSN: 1978-1520
Backpropagation Dalam Memprediksi Cuaca Di Kota Medan,” Seminar Nasional ilmu
Komputer(SNIKOM), pp. 1–6, 2014.
K. Apriyanti and T. Wahyu Widodo, “Implementasi Optical Character Implementasi
Optical Character Recognition Berbasis Backpropagation untuk Text to Speech Perangkat
Android,” IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), vol. 6,
no. 1, p. 13, 2016.
A. P. Windarto, “Implementasi Jst Dalam Menentukan Kelayakan Nasabah Pinjaman Kur
Pada Bank Mandiri Mikro Serbelawan Dengan Metode Backpropogation,” vol. 1, no. 1,
pp. 1–12, 2017.
A. Wanto and A. P. Windarto, “Analisis Prediksi Indeks Harga Konsumen Berdasarkan
Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation,” Jurnal &
Penelitian Teknik Informatika, vol. 2, no. 2, 2017.
A. Izzah and R. Widyastuti, “Prediksi Kelulusan Mata Kuliah Menggunakan Hybrid
Fuzzy Inference System,” Jurnal Ilmiah Teknologi Sistem Informasi (Register), vol. 2,
no. 2, pp. 60–67, 2016.
M. F. Andrijasa and Mistianingsih, “Penerapan Jaringan Syaraf Tiruan Untuk
Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan
Algoritma Pembelajaran Backpropagation,” vol. 5, no. 1, pp. 1–5, 2010.
A. Wanto, “Penerapan Jaringan Saraf Tiruan Dalam Memprediksi Jumlah Kemiskinan
Pada Kabupaten/Kota Di Provinsi Riau,” Kumpulan jurnaL Ilmu Komputer (KLIK), vol.
5, no. 1, pp. 61–74, 2018.
A. Wanto, A. P. Windarto, D. Hartama, and I. Parlina, “Use of Binary Sigmoid Function
And Linear Identity In Artificial Neural Networks For Forecasting Population Density,”
International Journal Of Information System & Technology, vol. 1, no. 1, pp. 43–54,
2017.
S. Putra Siregar and A. Wanto, “Analysis Accuracy of Artificial Neural Network Using
Backpropagation Algorithm In Predicting Process (Forecasting),” International Journal
Of Information System & Technology, vol. 1, no. 1, pp. 34–42, 2017.
A. Wanto, “Optimasi Prediksi Dengan Algoritma Backpropagation Dan Conjugate
Gradient Beale-Powell Restarts,” Jurnal Teknologi dan Sistem Informasi, vol. 3, no. 3,
pp. 370–380, 2017.
A. Wanto et al., “Analysis of Standard Gradient Descent with GD Momentum And
Adaptive LR for SPR Prediction,” 3rd International Conference of Computer,
Environment, Agriculture, Social Science, Health Science, Engineering and Technology,
pp. 1–9, 2018.
A. Wanto, M. Zarlis, Sawaluddin, D. Hartama, J. Tata Hardinata, and H. F. Silaban,
“Analysis of Artificial Neural Network Backpropagation Using Conjugate Gradient
Fletcher Reeves In The Predicting Process,” Journal of Physics: Conference Series, vol.
930, no. 1, pp. 1–7, 2017.
E. Atmadji, “Analisis Impor Indonesia,” Jurnal Ekonomi Pembangunan, pp. 33–46.
T. W. Khusniyah and Sutikno, “Prediksi Nilai Tukar Petani Menggunakan Jaringan
Syaraf Tiruan Backpropagation,” Scientific Journal of Informatics, vol. 3, no. 1, pp. 11–
18, 2016.
R. A. Pratama, “Peramalan Beban Listrik Jangka Panjang Provinsi D.I. Yogyakarta
Menggunakan Neural Network Backpropagation,” Jurnal Teknik Elektro, vol. 5, no. 3,
pp. 1–11, 2016.
311